基于深度学习的灵武长枣检测研究

发布时间：2020-04-16 18:15

【摘要】：灵武长枣是宁夏地区的特色经济林果,随着当地经济的快速发展,长枣的栽种面积正在逐步增加。为了减少人工采摘所需要的劳动量、提高采摘效率,实现长枣的自动采摘势在必行,本文采用基于深度学习目标检测的多种算法研究了自动采摘时灵武长枣检测与定位问题。本文的研究内容及结果如下:1.采集得到宁夏灵武长枣图像数据集(2000张),其中包括无枣、一个枣、两个枣、多个枣、树叶遮挡、枣黏连、长枣顺光拍摄和逆光拍摄等不同角度拍摄的多种图像。并根据实验要求对图像集进行统一预处理与标注,得到包含源图像路径、尺寸、深度和长枣位置坐标等信息的数据集。2.采用基于深度学习候选区域算法的目标检测模型进行灵武长枣检测实验。在深度卷积神经网络CNN的基础上重点设计了 RCNN、Fast RCNN和Faster RCNN模型的灵武长枣检测网络,经过网络训练分别得到各长枣检测模型。检测实验表明,以上三组算法模型均能检测到原始图像中的长枣并给其位置坐标;当图像中包含单个或两个未遮挡的长枣时检测效果最好,检测率平均为80%;当图像中包含多个且遮挡、黏连的长枣时检测率会明显降低。3.采用基于深度学习回归算法的SSD目标检测模型进行灵武长枣检测实验。SSD算法具有回归思想简化了网络的计算复杂度,提高了检测速度与精度。本文采用原始SSD网络训练得出了基于SSD的长枣检测模型,检测实验表明该模型实现了灵武长枣的检测,检测精确度为90%。检测结果存在图像较暗时部分长枣检测精度较低或根本未检测到的情况,当图像含有遮挡、黏连等情况时检测率也会受到一定影响。4.针对以上问题,本文提出基于改进SSD网络的长枣检测模型,改进点首先是将训练集图像进行亮度增强处理,然后将基础网络进行批规范化处理,深层网络进行多卷积处理,最后对模型参数匹配器阈值和退出保持概率进行调优。改进后训练得出新的SSD长枣检测模型,该模型的检测率有明显提高,检测精确度高达93%。当图像含有遮挡、黏连等情况时,与原始SSD模型相比,其检测效果更好。对比以上5种模型得出以下结论,这5种模型都实现了灵武长枣检测的任务,其中基于改进SSD网络的长枣检测模型效果最理想,其检测精确度高达93%,可以证明将深度学习目标检测算法运用到灵武长枣检测中是可行的,这为实现自动采摘机器人对灵武长枣的精准检测与采摘奠定了良好的基础。
【图文】：

结构示意图,全连接

最后在输出层输出结果？，使用网络层间神经元稀疏连接与权值共享的新方法，在一定逡逑程度上剔除了网络训练中不必要的参数，从而降低了网络的训练时间（杨俊，２０１８）。逡逑经典的卷积神经网络结构如图２．２所示。一般情况下，，在实际应用中为了达到较逡逑好的效果，ＣＮＮ网络模型会在网络开始部分放置多个卷积层和多个采样层（池化层），逡逑这样可以做到对原始图像特征最大程度的获取，在ＣＮＮ网络模型结束的部分会连接逡逑全连接层，从而对较高层次提取到的所有图像特征进行连接，最后将提取到的内容变逡逑成特征向量，使其作为原始数据的一种更抽象更本质的表示。逡逑逦￣邋逦逡逑输入层逦卷积层下采样层逦全连接层邋输出层逡逑图２．邋２邋ＣＮＮ的结构示意图逡逑Ｆｉｇｕｒｅ邋２２邋Ｓｔｒｕｃｔｕｒａｌ邋ｓｋｅｔｃｈ邋ｏｆ邋ＣＮＮ逡逑９逡逑

全连接

图２．５邋ＣＮＮ全连接层逡逑Ｆｉｇｕｒｅ邋２．５邋ＣＮＮ邋ｆｕｌｌ邋ｃｏｎｎｅｃｔｉｏｎ邋ｌａｙｅｒ逡逑图２．５为卷积网络的全连接层，每层的每个神经元节点都需要与上一层所有节点逡逑相连接，但是由于ＣＮＮ网络结构中含有大量的训练参数，训练参数过多使得ＣＮＮ逡逑网络模型在很大程度上出现过度拟合，从而会大大降低网络模型的检测性与识别性。逡逑为了使ＣＮＮ网络模型在最大程度上排除此种情况，我们会对网络模型的全连接层进逡逑行以下操作，具体计算过程如公式２－３所示，为网络输出，ｘ为当前层预处理的逡逑特征，『＼为网络连接权重，６为偏置，为所设定好的激活函数。逡逑ＫＭｘ）＾ｆ＾ｖＴｘ＋ｂ）逦（２－３）逡逑ＣＮＮ有两个最大的特点就是能够稀疏连接、权值共享（蔡强等，２０１５）。正是因为逡逑ＣＮＮ有着这两个特性使得它在网络中训练时参数的数目会大大减少，泛化性变得更逡逑强。逡逑（１）稀疏连接（ＲａｎｚａｔｏＡ
【学位授予单位】：北京林业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TP391.41;S225

【相似文献】